/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
31 июл 2026

VisME-Qwen25VL-3B

ЭмбеддингиТекст → embedding4 профессии

VisME создаёт мультимодальные эмбеддинги текста и изображений для поиска, сопоставления и задач визуальной идентификации.

220скачиваний за 30 дней1лайквеса обновлены3 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

VisME — мультимодальная модель эмбеддингов, представленная авторами исследования CVPR 2026 «Illuminating Visual Identity in Universal Multimodal Embeddings». Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct и создаёт плотные представления изображений, текста и пар «изображение–текст» для поиска и сопоставления. Веса содержат 3,1 млрд параметров; модель использует архитектуру Qwen2.5-VL и доступна в формате Safetensors. Заявлена длина контекста 128 000 токенов.

Модель ориентирована на мультимодальный поиск и задачи, связанные с визуальной идентичностью: распознавание, повторная идентификация объектов и поиск по визуальным признакам. Обучение объединяет MMEB-v1 с общими задачами классификации, визуальных вопросов и ответов, поиска и локализации, а также MVEB с задачами идентификации. README сообщает о конкурентных результатах на этих бенчмарках, но код оценки ещё не опубликован. Лицензия Apache-2.0.

Сценарии применения

  • поиск изображений по текстовому запросу
  • поиск текстовых описаний, соответствующих изображению
  • поиск похожих изображений по визуальной идентичности
  • повторная идентификация объектов на разных изображениях
  • извлечение эмбеддингов изображений и текста для мультимодального поиска

Ограничения

README указывает, что код оценки бенчмарков и код обучения пока не опубликованы. Результаты описаны для MMEB и MVEB; подтверждений качества вне этих оценок в карточке нет.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VisME (Qwen2.5-VL-7B)

English | 简体中文

VisME is a universal multimodal embedding model from our CVPR 2026 paper Illuminating Visual Identity in Universal Multimodal Embeddings. Built on Qwen2.5-VL-7B-Instruct, VisME produces dense embeddings for images, text, and image–text pairs, with strong performance on both general multimodal benchmarks (MMEB) and identity-centric retrieval (MVEB).

Highlights

  • Identity-aware retrieval — trained with visual-identity supervision via the MVEB benchmark (4 meta-tasks, 28 test subsets).
  • Strong general capability — jointly trained on MMEB-v1 and MVEB, maintaining competitive performance on standard MMEB tasks.

Performance

Results on MMEB (Cls / VQA / Ret / Grd) and MVEB (ID-Rec / Re-ID / ID-Grd / ID-Edit). Metrics are reported as in the paper (average Precision@1 across datasets within each task group).

Training Data

VisME is trained on a mixture of:

BenchmarkRole
MMEB-v1General multimodal embedding tasks (classification, VQA, retrieval, grounding)
MVEBVisual-identity retrieval across recognition, re-ID, grounding, and editing

The MVEB datasets are now open-sourced. Training code will be released soon.

Usage

import torch
import torch.nn.functional as F
from io import BytesIO
from urllib.request import Request, urlopen
from PIL import Image
from visme import VisME

model = VisME("path/to/this/repo")
model = model.cuda().eval()

instruction = "Represent the face with the following text."
text = "Retrieve all images with the same cartoon character."

samples = {
    "SpiderMan_comic_E616": "https://static.wikia.nocookie.net/spiderman/images/a/ad/Peter_Parker_%28Earth-616%29_017.png/revision/latest?cb=20210807043502",
    "SpiderMan_promo_E199999": "https://static.wikia.nocookie.net/marveldatabase/images/2/28/Peter_Parker_%28Earth-199999%29_from_Spider-Man_No_Way_Home_promotional_art_002.jpg/revision/latest/scale-to-width-down/1000?cb=20230730084204",
    "Toxin": "https://static.wikia.nocookie.net/superheroes/images/5/53/Toxin.jpg/revision/latest?cb=20240813171932",
}

def load_image(url: str) -> Image.Image:
    req = Request(url, headers={"User-Agent": "Mozilla/5.0"})
    with urlopen(req, timeout=30) as resp:
        return Image.open(BytesIO(resp.read())).convert("RGB")

names = list(samples.keys())
batch = [
    {"image": load_image(samples[name]), "text": text, "instruction": instruction}
    for name in names
]

with torch.no_grad():
    embeddings = model.encode_input(batch)  # shape: (3, 3584), L2-normalized

# Pairwise cosine similarity
# SpiderMan_comic_E616  <-> SpiderMan_promo_E199999
# SpiderMan_comic_E616  <-> Toxin
# SpiderMan_promo_E199999 <-> Toxin
for i in range(len(names)):
    for j in range(i + 1, len(names)):
        sim = F.cosine_similarity(embeddings[i : i + 1], embeddings[j : j + 1]).item()
        print(f"cosine_similarity({names[i]}, {names[j]}) = {sim:.4f}")

Evaluation

Benchmark evaluation code for MMEB and MVEB is coming soon. In the meantime, please refer to the paper for full experimental settings and baselines.

Citation

If you find VisME or MVEB useful, please cite:

@inproceedings{cao2026illuminating,
  title={Illuminating Visual Identity in Universal Multimodal Embeddings},
  author={Cao, Jiawei and Feng, Junyi and Hua, Jiashen and Huang, Ziheng and Deng, Bing and Wu, Kaijie and Gu, Chaochen and Ye, Jieping},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  pages={8737--8748},
  year={2026}
}

License

This model is built upon Qwen2.5-VL-7B-Instruct. Please follow the license terms of the base model and the respective datasets used during training.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
1235759

0 моделей